---
title: "O que significa soma dos quadrados, em estatística?"
url: https://www.blog.psicometriaonline.com.br/o-que-significa-soma-dos-quadrados-em-estatistica
canonical: https://www.blog.psicometriaonline.com.br/o-que-significa-soma-dos-quadrados-em-estatistica
language: pt-BR
published: 2025-11-17T17:36:51.000Z
updated: 2026-03-30T13:49:02.290Z
modified: 2026-03-30T13:49:02.290Z
author: "Marcos Lima"
categories: ["Análises bi e multivariadas"]
tags: ["gráficos", "regressão"]
description: "Entenda o que é soma dos quadrados, como calcular e por que ela é essencial em análises estatísticas, como na regressão e na ANOVA."
source: Blog Psicometria Online
---
# O que significa soma dos quadrados, em estatística?

> Neste post, vamos explorar o conceito de soma dos quadrados, uma medida fundamental na estatística e na modelagem preditiva. Nosso objetivo é explicar, de forma clara e visual, o que ela representa, como é calculada e quais são suas aplicações em diferentes contextos. O que é a soma dos quadrados...

Neste post, vamos explorar o conceito de **soma dos quadrados**, uma medida fundamental na estatística e na modelagem preditiva. Nosso objetivo é explicar, de forma clara e visual, o que ela representa, como é calculada e quais são suas aplicações em diferentes contextos.

## O que é a soma dos quadrados?

A **soma dos quadrados** é uma medida não padronizada que quantifica a variabilidade de um conjunto de dados. Em outras palavras, ela mostra o quanto os valores observados se afastam da média ou das previsões de um modelo estatístico.

Técnicas como [regressão linear](/o-que-e-regressao-linear) e [análise de variância (ANOVA)](/analise-de-variancia-anova) utilizam as somas dos quadrados a fim de particionar a variabilidade total em componentes explicados e não explicados. Assim, conseguimos identificar quanto da variação observada é devida ao modelo e quanto é apenas ruído aleatório.

Por exemplo, suponha que mensuramos a abertura à experiência e a criatividade de seis adolescentes. Queremos saber se a abertura prediz os níveis de criatividade. A Figura 1 ilustra esses dados em um diagrama de dispersão.

![diagrama de dispersão.](/uploads/2025-10_dados-sem-soma-dos-quadrados.jpg)

*Figura 1. Diagrama de dispersão relacionando abertura à experiência e criatividade.*

Em seguida, veremos as três somas dos quadrados fundamentais: total, dos resíduos e do modelo.

## A soma dos quadrados total (SQT)

A princípio, imagine que não temos qualquer informação sobre a abertura à experiência. Sendo assim, qual seria o melhor palpite para o nível de criatividade de cada adolescente?

Naturalmente, nosso melhor palpite seria a média de criatividade dos adolescentes. Portanto, a média funciona como um modelo simples e inicial, ilustrado na Figura 2.

![soma dos quadrados total.](/uploads/2025-10_soma-dos-quadrados-total.jpg)

*Figura 2. Diagrama de dispersão com modelo da média (em laranja).*

Duas observações são fundamentais na Figura 2. Primeiramente, estimamos o mesmo valor de criatividade para todos os adolescentes, isto é, temos um modelo *estereotipado* — indicado pela linha horizontal laranja, na Figura 2.

Em segundo lugar, as linhas pontilhadas vermelhas representam o quanto erramos em cada estimativa: quanto mais distante o ponto está da reta laranja, maior é o nosso erro de estimativa.

Desse modo, a **soma dos quadrados total (SQT)** representa a variabilidade total na variável dependente (i.e., a criatividade). Matematicamente, a soma dos quadrados total mede os desvios (quadráticos) de cada valor em relação à média geral:

![soma dos quadrados total, fórmula.](/uploads/2025-10_soma-dos-quadrados-total-formula.jpg)

Onde *yi* se refere à criatividade do adolescente *i* e *Y*\-barra representa a média geral de criatividade. Visualmente, podemos pensar na SQT como a soma das distâncias de todos os pontos em relação à reta laranja (i.e., as linhas pontilhadas vermelhas) da Figura 2.

## A soma dos quadrados dos resíduos (SQR)

Contudo, estimar o mesmo valor para todos é uma aproximação pobre. Idealmente, queremos prever a criatividade com base em informações conhecidas, como a abertura à experiência.

É exatamente isso que a regressão linear faz. Por meio dela, estimamos um valor de criatividade (*ŷi*) para cada adolescente, com base em seu nível de abertura à experiência:

![equação de regressão linear simples.](/uploads/2025-10_valor-previsto-na-regressao-linear.jpg)

A equação anterior é a equação da reta de [regressão linear simples](/o-que-e-regressao-linear-simples), e o modelo, aplicado aos nossos dados, é ilustrado pela reta azul da Figura 3.

![soma dos quadrados dos resíduos.](/uploads/2025-10_soma-dos-quadrados-dos-residuos.jpg)

*Figura 3. Diagrama de dispersão com modelo de regressão.*

Agora, o modelo não é mais uniforme, isto é, ele gera previsões diferentes conforme o nível de abertura. As novas linhas vermelhas pontilhadas representam os *erros do modelo*, isto é, as distâncias entre os valores observados (*yi*) e os valores previstos (*ŷi*).

Desse modo, **a soma dos quadrados dos resíduos (SQR)** representa a *variabilidade não explicada*, ou seja, o erro em nosso modelo. Matematicamente, a soma dos quadrados total mede os desvios (quadráticos) de cada valor previsto (*ŷi*) em relação ao valor observado (*yi*) de criatividade:

![soma dos quadrados dos resíduos, equação.](/uploads/2025-10_soma-dos-quadrados-dos-residuos-formula.jpg)

Em síntese, quanto menor for a SQR, melhor o ajuste. Quando SQR = 0, o modelo prevê perfeitamente todos os valores.

## A soma dos quadrados do modelo (SQM)

O quanto o modelo de regressão melhora a predição dos níveis de criatividade dos adolescentes, em relação ao modelo baseado na média? Essa estimativa é ilustrada pelas linhas pontilhadas verdes da Figura 4.

![soma dos quadrados do modelo.](/uploads/2025-10_soma-dos-quadrados-do-modelo.jpg)

*Figura 4. Diagrama de dispersão com diferença entre os modelos da média e de regressão.*

A **soma dos quadrados do modelo (SQM)** representa quanto da variabilidade total na variável dependente o nosso modelo explica. Em outras palavras, ela mostra quanto o modelo de regressão melhora a previsão em relação ao modelo da média.

Matematicamente, a soma dos quadrados do modelo mede a distância (quadrática) de cada valor de criatividade previsto pelo modelo de regressão (*ŷi*) em relação ao valor previsto pelo modelo da média (*Y*\-barra):

![soma dos quadrados do modelo, equação.](/uploads/2025-10_soma-dos-quadrados-do-modelo-formula.jpg)

Visualmente, podemos pensar na SQM como a soma das distâncias das linhas pontilhadas verdes da Figura 4.

Portanto, quanto maior é a SQM, mais o modelo explica da variação total. Em síntese, a SQM representa a parte da variabilidade capturada pelo modelo, enquanto a SQR reflete o erro.

## Como essas somas se relacionam?

As três somas estão ligadas pela relação SQT = SQM + SQR. Isso significa que a variabilidade total é igual à soma da variabilidade explicada e da não explicada. Quando SQR = 0, o modelo explica toda a variabilidade, e SQM = SQT.

A partir desses valores, calculamos o [coeficiente de determinação (*R*2)](/entenda-o-que-e-o-coeficiente-de-determinacao-na-regressao-linear), que indica a proporção da variabilidade explicada pelo modelo:

![coeficiente de determinação.](/uploads/2025-10_coeficiente-de-determinacao.jpg)

Além disso, como a soma dos quadrados é uma medida bruta, podemos padronizá-la dividindo-a pelos [graus de liberdade](/o-que-sao-graus-de-liberdade) correspondentes, obtendo os quadrados médios (QM). Essa padronização é essencial para calcularmos a estatística *F*, usada para comparar modelos.

Por exemplo, veja a Tabela 1, que contém os dados do exemplo sobre abertura à experiência e criatividade.

Estatística

Soma dos quadrados (*SQ*)

Graus de liberdade (*gl*)

Média dos quadrados (*MQ*)

Total

102,23

5

20,45

Resíduos

31,23

4

7,81

Modelo

71,00

1

71,00

*Tabela 1. Somas dos quadrados, graus de liberdade e médias dos quadrados total, dos resíduos e do modelo.*

Com esses valores, temos *R*2 = 71 / 102,23 = 0,695, indicando, portanto, que o modelo explica cerca de 70% da variação na criatividade.

Por fim, para testar se o modelo é estatisticamente melhor que o modelo da média, usamos a estatística *F*:

![estatística F.](/uploads/2025-10_estatistica-f.jpg)

Em nosso exemplo, *F* = 71 / 7,81 = 9,09, associada a *p* = 0,04. Logo, rejeitamos a hipótese nula e concluímos que o modelo de regressão é significativamente superior a usar a média como preditora.

## Por que a soma dos quadrados é importante?

Anteriormente, vimos o significado conceitual das diferentes somas dos quadrados, bem como eles podem ser usados para calcular índices importantes em estatística inferencial. De fato, a soma dos quadrados aparece em diversas aplicações estatísticas:

-   Na **ANOVA**, essas somas separam a variação entre grupos da variação dentro dos grupos.
    
-   Na **regressão linear**, elas contribuem para estimar o quanto o modelo explica de variabilidade na variável dependente.
    
-   No **cálculo do *F***, elas permitem testar se o modelo tem poder explicativo significativo.
    
-   Em [***machine learning***](/o-que-e-machine-learning), elas servem de base para métricas como o erro quadrático médio.
    

Portanto, compreender as somas dos quadrados é entender o coração da análise de variância e o raciocínio por trás do ajuste de modelos.

## Referência

Field, A. (2017). *Discovering statistics using IBM SPSS Statistics* (5th ed.). Sage.

## Como citar este post

> **Como citar este artigo:** Lima, M. (2025, 17 de novembro). O que significa soma dos quadrados, em estatística? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/o-que-significa-soma-dos-quadrados-em-estatistica